2026年4月,斯坦福大学以人为本人工智能研究所发布的《AI Index Report 2026》揭示了一个令人警醒的现实：机器人在仿真环境中的操控成功率达89.4%，但在真实家庭场景中骤降至12%。这77个百分点的“仿真到现实迁移鸿沟”(Sim-to-Real Gap)，正驱动全行业从“比模型”走向“比数据”，而真机数据成为填补这道鸿沟的关键配方!

01 行业转向：去年比模型，今年比数据

2026年，具身智能的叙事逻辑发生了根本性转变。过去一年里，行业的热点还停留在模型架构的创新、参数规模的比拼、训练算力的堆叠;而今年，聚光灯已经悄然转向了数据，尤其是真机数据!

《麻省理工科技评论》在其年度十大AI趋势中，首次将“人形机器人数据”列为当下最重要的命题。其核心逻辑清晰而直接：大语言模型靠海量文本学会了生成语言，人形机器人能否靠海量动作数据学会在真实世界中干活?

然而，描述人类运动与精细操作的数据，远不像互联网文本那样现成、廉价、可规模化爬取。觅蜂科技CEO姚卯青在4月的一场发布会上给出了一组震撼对比：GPT5训练语料折合约100亿小时，而全行业汇聚的高质量具身数据仅约50万小时，差距以万倍计。

乐聚机器人技术总监王松也明确指出，当前人形机器人产业面临“本体与小脑技术趋于成熟，但大脑进化严重受阻于数据”的困境。真机数据，是模型落地的最后一步，也是关键一步。没有足够覆盖真实场景的高质量动作数据，再先进的模型也只能是“纸上谈兵”。

可以说，2026年，行业的核心命题已经从“如何设计更好的模型”转变为“如何获取更多的真机数据”。这一转变，标志着具身智能从理论验证阶段迈入工程落地阶段。

02 训练场+零工数据：全行业加速“制造”真机数据

为了弥补这一数据赤字，全行业开始走出实验室，规模化地“制造”真机数据。

政策层面，国家“十五五”规划纲要明确提出统筹布局具身智能实训场，将其纳入新一代人工智能基础设施。据不完全统计，不到一年时间，国内在建或建成的具身智能训练场已接近30家。这些训练场动辄上千平方米，布置了家庭、工厂、商超、医疗等多种仿真场景，机器人和人类操作员在其中反复采集动作数据。

企业层面同样行动迅速。特斯拉在2025年Q4财报会上坦言，Optimus人形机器人当前的首要任务并非在工厂里“干活”，而是通过实地运行进行大规模数据采集。马斯克曾公开表示，“数据是Optimus最稀缺的资源，比芯片还难获取。”

与此同时，一种新型的数据生产方式正在全球范围内兴起：零工数据。在中国各地的训练场，工人们穿戴外骨骼和VR设备，重复执行抓取、拧螺丝、叠衣物等枯燥动作，每一次成功的操作都会被记录为一条高质量真机数据。而在阿根廷、印度、肯尼亚等劳动力成本较低的国家，平台型企业正在招募零工，通过拍摄家庭场景下的家务操作视频换取报酬——这些视频经过清洗、标注、姿态提取后，同样可以转化为训练数据。

一幅规模化、低成本、跨地域的数据生产网络正在形成。有业内人士估算，到2026年底，全球具身数据年产量有望突破200万小时，但仍远未达到训练大模型所需的千万小时量级。

03 数据缺口巨大：仿真无法替代“最后一公里”

那么，仿真数据能否补上这个缺口?毕竟，仿真环境成本低、可并行、无物理损耗，已经在足式运动、路径规划等任务中证明了其价值。

乐聚机器人技术总监王松给出了一组粗略对照：训练一个L4级自动驾驶模型所需数据量通常以百万小时计;而人形机器人的自由度、操作复杂度、场景多样性比自动驾驶高出1到2个数量级。换句话说，训练一个具备开放世界泛化能力的具身基座模型，所需真机数据量至少在数百万到上千万小时之间。

更关键的是，仿真在“接触丰富”(contact-rich)的场景下力有不逮。2025年发表在《科学·机器人》子刊上的一项研究指出，当前主流仿真器难以精确建模零件形变、非线性摩擦以及柔性物体(如衣物、流体)的物理特性。例如，在工业精密装配中，一个卡扣插入时的微小形变和摩擦力变化，就可能决定成败;在家庭场景中，折叠一件T恤或从碗里舀一勺汤，涉及织物和流体的复杂物理行为，仿真建模的计算成本甚至高于真机采集。

换言之，补齐那77个百分点的成功率缺口，依靠的不是更大规模、更高精度的仿真，而是覆盖多变量、多样本、多环境的真机数据。仿真可以用于预训练和初步筛选，但最后的“最后一公里”，必须由真实世界的数据来铺就。

04 乐聚样本：高质量真机数据带来3-4倍飞轮效率提升

这一行业共识，在乐聚机器人的实践中得到了最直接的验证。

据乐聚方面披露的一组对比实验数据：400条高质量真机数据的训练效果，远超1300条低质量数据。前者在相同模型架构下的任务成功率、泛化能力和鲁棒性均显著优于后者。这意味着，数据质量比数据数量更为重要——一条精准标注、动作规范、场景真实的真机数据，抵得上数条甚至数十条粗制滥造的“垃圾数据”。

在工程效率上，高质量真机数据的引入使模型迭代时长从原来的7~10天缩短至2~3天，整体研发飞轮效率提升了3至4倍。更直观的成果体现在部署端：设备在真实工厂和家庭环境中的部署成功率，从不足60%一举提升至90%以上。

更重要的是，乐聚率先跑通了真机数据的商业化闭环。依托其规模化的训练场体系，数据服务已经独立成一项可持续盈利的业务，先后落地服务一汽(物料搬运)、海晨物流(仓储分拣)、兆丰(精密制造)等实体企业。这意味着，真机数据不再只是研发部门的“成本项”，而成为了可以对外输出、直接产生商业价值的“资产项”。

这标志着：真机数据不仅是技术迭代的核心抓手，也已成为具身智能走向规模化商用的关键支撑。谁能以更低的成本、更高的效率生产出高质量的真机数据，谁就能在下一阶段的竞争中占据主动。

05 乐聚生态计划：从夯实基础到全域绽放

在真机数据与商业化落地双轮驱动下，乐聚机器人已完成了“基础设施层—核心技术层—场景应用层”的三级基础设施搭建。

基础设施层，乐聚已建成两座规模化工厂，具备万台级人形机器人产线，同时搭建了专注于“大脑”训练的机器人训练场。

核心技术层，通过投资与联合研发，集聚了泉智博(一体化关节)、立聚动力(电机)、灵心巧手(灵巧手)、具脑磐石(具身大脑)、具识智能(操作系统)等核心零部件及系统伙伴。此外，与东方精工联合打造大规模人形机器人产线;与和而泰、东方精工联合成立人形机器人控制器公司;与海晨股份联合成立生产物流场景解决方案的合资公司。

场景应用层，围绕科研、商服、工业、家庭等场景，已与阿里云、中国移动、中国一汽、南方电网等40余家生态伙伴展开广泛产业化应用探索。

在技术研发方面，乐聚持续探索Model-Based与RL算法深度融合的“小脑”运控系统，以及匹配产业需求的“大脑”模型，并与哈工大、北京大学、北京通研院、北京智源研究院、山东大学、苏州大学等高校及科研院所开展联合科研攻关。

如今，乐聚生态合作伙伴正在招募!基于已完备的本体制造、真机数据生产、大小脑系统、全场景应用等全生态链资源，乐聚面向全球招募二次开发合作伙伴。无论是具身算法团队、垂直场景解决方案商，还是硬件模组创新者，均可依托乐聚的开放平台，获得从机器人本体、数据采集与训练平台到商业落地的全链路支持。乐聚致力于成为具身智能时代的“基础设施提供方”，与合作伙伴共同加速人形机器人在千行百业的规模化部署。

06 谁掌握高质量真机数据，谁就掌握下一阶段话语权

从政策顶层设计到资本密集涌入，从大规模训练场建设到全球零工数据网络铺开，全行业正围绕“真机数据”重构基础设施。可以预见，具身智能下一阶段的核心竞争，将不再是模型架构的比拼，也不再是硬件性能的较量，而是转向一个更底层的命题：谁能以更低的成本、更高的效率、更优的质量，持续生产和管理真机数据，谁就能掌握话语权。

模型是骨架，算力是肌肉，数据才是灵魂。那道77%的迁移鸿沟能否被真正填平，直接决定了人形机器人能否走出实验室的温床，走进工厂与家庭的现实。而答案，正写在每一帧来自真实世界的操作数据里。

本文转自信阳新闻网